Autorreflexión: un agente de IA que revisa y corrige su trabajo
La autorreflexión (reflection en inglés) consiste en que un modelo o un agente relea lo que acaba de producir, escriba una crítica y la use en un nuevo intento. Suele mejorar los resultados cuando el agente dispone de una señal concreta de fallo, y mucho menos cuando se evalúa a ciegas.
Datos a 22 de octubre de 2026
Lo esencial en cifras
| Nivel | Avanzado |
|---|---|
| Origen | 2023 |
| Introducido por | Shinn et al. (Reflexion) |
Cómo funciona
Un agente produce una primera respuesta y luego pasa a modo revisión: «¿Qué falla? ¿Por qué no lo he conseguido? ¿Qué haría distinto?». Esa crítica, escrita en lenguaje natural, se añade a su contexto o a su memoria de agente. El intento siguiente la tiene en cuenta. El bucle termina cuando el resultado cumple un criterio o tras un número limitado de intentos.
Dos artículos de marzo de 2023 popularizaron la idea:
- «Reflexion: Language Agents with Verbal Reinforcement Learning» (Shinn et al.): el agente recibe una señal de éxito o de fracaso, redacta una reflexión sobre sus errores, la guarda en memoria y la usa en el siguiente intento, sin modificar los pesos del modelo.
- «Self-Refine» (Madaan et al.): el mismo modelo genera, se critica y reescribe, en bucle, sin señal externa.
Un ejemplo concreto
Un agente de programación debe corregir una función. Propone un parche y ejecuta los tests: dos fallan. En lugar de volver a probar al azar, escribe: «He leído las fechas como día/mes, pero los datos de prueba usan mes/día; tengo que normalizar la entrada». Corrige, vuelve a lanzar los tests y pasan. La señal de los tests convirtió la reflexión en una pista precisa.
Por qué importa y cuáles son sus límites
La autorreflexión es una de las formas más sencillas de hacer más fiable a un agente, y encaja de forma natural con el patrón ReAct. Pero sus beneficios dependen de la calidad de la señal. El artículo «Large Language Models Cannot Self-Correct Reasoning Yet» (Huang et al., ICLR 2024) muestra que, sin retroalimentación externa, los modelos tienen dificultades para corregir su razonamiento y a veces lo empeoran. De ahí la práctica habitual de encargar la crítica a otra llamada o a otro modelo (LLM como juez), o de apoyarla en comprobaciones objetivas.
Ideas falsas frecuentes
- «Si la IA se revisa, ya no puede equivocarse». Una revisión puede reforzar una alucinación en lugar de detectarla.
- «Es lo mismo que la cadena de pensamiento». La cadena de pensamiento detalla el razonamiento antes de responder; la autorreflexión vuelve sobre un resultado ya producido.
- «Más rondas, más calidad». Tras unas pocas iteraciones, la mejora se reduce mientras el coste sigue subiendo.
Términos relacionados
- Cadena de pensamiento · Hacer que un modelo escriba pasos de razonamiento intermedios antes de su respuesta final, lo que ayuda en problemas complejos.
- Patrón ReAct · Bucle en el que un agente de IA alterna un paso de razonamiento escrito y una acción (búsqueda, herramienta) y lee el resultado antes de seguir.
- LLM como juez (LLM-as-a-judge) · Método de evaluación en el que un modelo de lenguaje puntúa o compara las respuestas de otro modelo según una rúbrica, en lugar de un humano.
- Evaluación de agentes · Métodos para medir si un agente de IA completa de verdad una tarea de principio a fin, de forma fiable, segura y a un coste razonable.
- Alucinación · Respuesta de una IA que parece segura y verosímil pero es falsa o inventada: una cifra, una cita, una fuente o una referencia.
Todo el glosario
Preguntas frecuentes
¿La autorreflexión entrena al modelo?
No. En el enfoque Reflexion, la crítica es un texto guardado en memoria que se relee en el intento siguiente. Los pesos del modelo no cambian: es un aprendizaje «verbal» que dura lo que dura la tarea o la sesión.
¿Puede un modelo detectar de verdad sus propios errores?
A veces. Los estudios muestran que la autocorrección funciona mucho mejor con una señal externa (tests que fallan, un mensaje de error, un resultado comprobable). Sin esa señal, un modelo puede confirmar una respuesta errónea o estropear una correcta.
¿Cuántas rondas de reflexión conviene prever?
Pocas, en general. Cada ronda añade llamadas al modelo, es decir, tiempo y coste. Se fija un máximo y un criterio de parada claro, por ejemplo «todos los tests pasan».
Fuentes de los datos
Datos a 22 de octubre de 2026
Señalar un error
¿Una cifra, una fecha o un dato le parece incorrecto? Díganoslo: verificamos cada aviso.